Zur Anwendung neuronaler Netzwerke in adaptiven Flugregelungssystemen
Die vorliegende Arbeit stellt einen Beitrag zur Einbindung künstlicher neuronaler Netzwerke in adaptive Regelungssysteme dar. Neben den Grundlagen zur Abbildung dynamischer Prozesse mit neuronalen Netzen wird eine strukturierte Methodik des Netzwerkentwurfes dargestellt, die eine statistische Bewertung des Lernerfolges ermöglicht. Darüber hinaus wird eine Klasse regelungstechnisch motivierter Lernverfahren vorgestellt, welche neuronale Netze als dynamische Systeme aufgefasst, womit das Lernen innerhalb eines Netzwerkes als geregelter Prozess betrachtet werden kann. Dies erlaubt die Anwendung der Gleitzustandsregelung auf neuronale Lernverfahren, welche so um eine intrinsische Stabilitätsbedingung erweitert werden können. Durch die dynamische Bestimmung der Lernraten vermag dieser Lernansatz die Zustände eines neuronalen Netzes in den global asymptotisch stabilen Gleitzustand zu überführen. Die praktische Bedeutung dieses Lernverfahrens wird am Beispiel zweier Regelungsstrategien dargestellt: Der modellfreien neuronalen Regelung und der neuronal gestützten dynamischen Inversion. Die Ergebnisse beider Regelungsverfahren unterstreichen die robusten Eigenschaften neuronaler Netze zur Abbildung komplexer dynamischer Prozesse. Es zeigen sich besondere Vorteile bei der Kombination von dynamischer Inversion und neuronalen Netzwerken, die mit dem Gleitzustandslernverfahren trainiert werden. Dies liegt darin begründet, dass die Überführung der Zustandsgrößen des Netzes in den Gleitzustand eine stabilisierende Wirkung auf die Fehlerdynamik des Regelkreises besitzt. Am Beispiel eines beschädigten unbemannten Flugzeuges zeigt sich, dass dieses Verfahren wegen seiner dynamischen Bestimmung der Lernrate eine höhere Konvergenzgeschwindigkeit als vergleichbare etablierte Ansätze aufweist. Die Ergebnisse unterstreichen die Vorzüge der Kombination von klassischer Regelungstechnik und Maschinenlernverfahren bei der Auslegung komplexer Regelungssysteme.
The present work makes a contribution to the integration of artificial neural networks into adaptive control systems. Besides the basic principles of mapping dynamic processes using neural networks, a structured methodology for the network design is illustrated, which allows a statistical evaluation of the learning success. In addition, to allow for an improved transparency of neural networks used in control systems a paradigm change regarding their learning methods is undertaken. This means that a neural network is treated as a dynamic system whereby the learning within such a network becomes a controlled process. Therefore, the application of sliding mode control to learning techniques of neural networks is possible, which thereby can be augmented with an intrinsic stability condition. Through the dynamic calculation of the learning rate this approach is able to constrain the network’s states into the globally asymptotically stable sliding mode. The practical relevance of this learning method is illustrated utilising two control strategies: the indirect adaptive neuro-control and the nonlinear dynamic inversion. The results of both control methods underline the robust capabilities of neural networks to map complex dynamic processes. Furthermore, particular advantages arise from the combination of dynamic inversion and neural networks trained with the sliding mode learning method. This is the case because constraining the network’s states to the sliding mode offers an enhanced stabilising effect upon the error dynamics of the closed-loop control system. Using the example of a damaged unmanned aircraft under perturbation it is shown, that the sliding mode learning technique due to the dynamic calculation of the learning rate offers a higher speed of convergence than comparable established methods. The results emphasise the advantages of the combination of control theory and machine learning techniques for the design of complex control systems.
Preview
Cite
Access Statistic
Rights
Use and reproduction:
All rights reserved